《Artificial Intelligence in Agriculture》：A meta-learning with adversarial domain adaptation method for few-shot cross-region maize height and yield joint prediction
编辑推荐：
研究人员提出了一种融合元学习（meta-learning）与对抗域适应（adversarial domain adaptation）方法的跨区域作物表型预测框架。所设计的GEfused模块实现了基因型（genotype）与时序环境型（envirotype）数据
研究人员提出了一种融合元学习（meta-learning）与对抗域适应（adversarial domain adaptation）方法的跨区域作物表型预测框架。所设计的GEfused模块实现了基因型（genotype）与时序环境型（envirotype）数据的融合特征提取。利用CORAL（correlation alignment）分布对齐策略减少域间分布差异。引入域对抗训练机制以学习域不变特征（domain-invariant feature）。MAGEP模型在不同多样化场景中展现出卓越的预测鲁棒性（prediction robustness）。
全球粮食安全离不开育种效率的持续提升，作物表型作为基因型与环境型共同作用的直接体现，是反映生长状态与产量潜力的关键指标，也是育种选择的重要依据。然而，传统田间表型鉴定长期存在效率低、耗时久的问题，严重制约了育种进程。尽管基因组预测技术通过遗传标记预测未观测表型为加速育种提供了支撑，但早期统计模型如混合线性模型（mixed linear model）和最佳线性无偏预测（best linear unbiased prediction）难以处理高维基因型数据与复杂环境时间序列。机器学习方法虽通过非线性建模提升了部分精度，但特征提取能力仍然有限。以DNNGP和GEFormer为代表的深度学习模型虽能捕捉基因型与环境特征，却高度依赖大规模标注数据，在新地点的应用中泛化性能受限。迁移学习通过预训练知识缓解数据稀缺，但大多依赖微调，难以适应新环境；元学习虽能跨任务学习通用策略，却在面对显著域偏移时因分布对齐不足而削弱迁移效果。因此，将元学习与对抗域适应相整合，构建既支持少样本学习又具备跨域分布对齐能力的模型，成为突破跨区域表型预测瓶颈的关键。
针对上述问题，研究人员以玉米为研究对象，基于包含十个地点基因型、环境型和表型数据的公开数据集，提出了融合元学习与对抗域适应的深度学习框架MAGEP（Meta-learning with Adversarial Domain Adaptation），并将其发表于《Artificial Intelligence in Agriculture》。该框架旨在提升跨区域条件下少样本表型预测的准确性与鲁棒性。
研究人员开展研究用到的关键样本队列来源于2018年和2019年Genomes to Fields（G2F）公开数据集，以PHW65参考设计群体为材料，包括双单倍体（double haploid）后代。主要技术方法包括：设计GEfused模块，通过多尺度空洞卷积与Transformer编码器分别提取基因型与环境型特征，并采用Hadamard积（Hadamard product）计算基因型与环境型互作（G × E interaction）表征；引入基于Reptile的一阶元学习策略，通过双环优化（bi-level optimization）从多个源域任务中学习可迁移初始化参数，实现对少样本目标域的快速适应；整合梯度反转层（gradient reversal layer, GRL）进行对抗域训练，并结合CORAL（correlation alignment）或最大均值差异（maximum mean discrepancy, MMD）进行统计分布对齐，以学习域不变特征（domain-invariant feature）；最后采用基于梯度的归因分析量化单核苷酸多态性（single nucleotide polymorphism, SNP）与环境因子对玉米株高（plant height, PH）和籽粒产量（grain yield, GY）的贡献。
不同地点表型分布差异分析：研究人员通过2018年G2F数据集分析发现，分布于爱荷华州、阿肯色州、佐治亚州和得克萨斯州的十组试验在株高与产量上存在显著异质性，同一地点内不同试验差异明显，部分试验的株高和产量显著低于其他地点。这些差异表明区域环境条件与群体遗传背景共同塑造了作物表型可塑性，且跨区数据分布差异将直接导致模型泛化性能下降，凸显开发跨区域预测方法的必要性。
多模型跨域预测性能比较：研究人员构建了四种跨域场景，将rrBLUP、BayesB、随机森林、支持向量机、XGBoost、LightGBM、DNNGP、GEFormer、DEM、WheatGP及TrG2P作为基线模型进行对比。结果表明，MAGEP模型，尤其是MAGEP_CORAL，在株高和产量预测中均取得最低的均方根误差（root mean squared error, RMSE）和平均绝对误差（mean absolute error, MAE），且预测误差分布区间最窄、异常值最少。在Scenario IV中，MAGEP_CORAL对株高和产量的平均皮尔逊相关系数（Pearson correlation coefficient, PCC）分别达到0.75和0.45，显著优于多数基线模型，证实了元学习结合对抗域适应在跨域预测中的优势。
目标域环境组成对预测的影响：在MAGEP框架下，研究人员评估了不同目标域数据组合对预测精度的影响。结果显示，目标域组成显著影响预测结果，尤其在Scenario I、III和IV中，单一环境导致误差较大，而多环境组合通常表现更稳定，MAGEP_CORAL在多数配置下优于MAGEP_MMD。
源域与目标域特征分布对齐效果：研究人员利用t-分布随机邻域嵌入（t-distributed stochastic neighbor embedding, t-SNE）对高维融合特征进行可视化。对抗域适应前，源域与目标域特征呈现明显分离的簇；适应后，不同地点特征重叠显著增加，簇间边界模糊化，表明对抗域适应有效减少了环境特异性的分布差异，学习到更具泛化性的域不变特征。
MAGEP模型遗传与环境可解释性分析：基于梯度的特征归因分析显示，株高和产量的遗传贡献分布于多个基因组区域而非单一基因座，且四个场景间归因模式高度一致，说明模型能稳定捕获核心遗传位点。高重要性SNP与已报道的数量性状基因座（quantitative trait loci, QTL）存在共定位，如株高相关QTL以及影响雄穗长度和雄穗分枝数的产量相关QTL。环境因子方面，不同场景的主导因素呈现特异性：Scenario I以降雨和湿度相关特征为主，Scenario II以平均温度为主，Scenario III以湿度及饱和水汽压差相关特征为主，Scenario IV以光照强度为主。进一步通过SHAP（SHapley Additive exPlanations）部分依赖图分析发现，最大降雨量对株高呈负向转正效应，平均相对湿度与产量呈U形关系，揭示了关键环境因子对玉米性状的边际调控效应。
消融实验验证各组件贡献：研究人员通过逐一移除Reptile元学习模块、GRL对抗域适应模块和CORAL分布对齐模块进行验证。结果显示，移除任一组件均导致株高和产量预测性能显著下降；此外，仅使用基因型输入时，MAGEP仍保持较强预测能力，但移除环境数据后株高和产量平均RMSE分别增加20.5%和21.2%，证明环境信息对精确跨域预测不可或缺。
MAGEP模型的泛化能力评估：利用2019年G2F数据集进行跨年跨域验证，MAGEP在降低RMSE和MAE方面表现稳定，但PCC在个别案例中未达最优。进一步采用多年水稻数据集进行跨年份和跨物种评估，在leave-one-year-out验证方案下，MAGEP在多数案例中取得有竞争力的预测性能，表明所学表征具备跨地点、跨年份乃至跨物种的迁移潜力。
讨论部分，研究人员指出MAGEP通过整合基于Reptile的元学习与对抗域适应，利用可迁移初始化和显式分布对齐，有效提升了异构环境偏移及目标域样本有限条件下的表型预测性能。仅基因型输入实验中预测精度的下降印证了整合环境信息以捕捉基因型与环境型互作（G × E interaction）的必要性。跨年预测中，尽管域对齐可降低预测误差，但不直接优化预测值与观测值间的线性关联，这可能是个别案例PCC偏低的原因。跨物种验证则表明该框架在多样化育种场景中具有实际应用价值。同时，研究人员承认当前框架仅在玉米数据上验证，对其他作物物种的适用性尚待探索，且生长阶段特定环境因子的影响未予明确探讨。
研究结论翻译：本研究开发了融合基于Reptile的元学习与对抗域适应的深度学习框架MAGEP，用于跨域表型预测。基于多环境玉米数据集，在四种跨域场景中的广泛评估表明，MAGEP优于传统统计、机器学习、深度学习及迁移学习方法。MAGEP在跨年份和跨物种评估中亦保持强大预测性能，表明其具备跨时间和环境变化的泛化潜力。消融实验进一步验证了Reptile元学习、分布对齐及对抗域适应对预测性能的贡献。通过利用可迁移表征和显式分布对齐，MAGEP有效改善了异构环境偏移及目标域样本受限条件下的表型预测。此外，MAGEP通过基于梯度的归因方法提供生物学可解释性，能够识别与株高和产量相关的重要SNP及环境因子。MAGEP为跨域少样本基因组预测提供了有效且可解释的框架。未来工作将聚焦于将该框架扩展至更多作物，并整合多组学数据以进一步提升预测精度和生物学可解释性。
